arXiv ID:
2606.13677
Mana:灵巧操纵铰接工具 / Mana: Dexterous Manipulation of Articulated Tools
1️⃣ 一句话总结
本文提出了一个名为Mana的通用仿真到现实框架,通过将灵巧操作问题转化为动画生成问题,实现了对剪刀、钳子等各类铰接工具的零样本灵活抓取和操作。
Mana:灵巧操纵铰接工具 / Mana: Dexterous Manipulation of Articulated Tools
本文提出了一个名为Mana的通用仿真到现实框架,通过将灵巧操作问题转化为动画生成问题,实现了对剪刀、钳子等各类铰接工具的零样本灵活抓取和操作。
超越二值化:基于物理接地接触表示的仿真到现实灵巧操作 / Beyond Binary: Sim-to-Real Dexterous Manipulation with Physics-Grounded Contact Representation
本文提出一种基于物理原理的触觉表征——压力中心(CoP),它能在仿真到现实迁移中保留丰富的接触信息,通过可微动力学校准传感器,使多指机械手在零样本迁移下完成高难度操作任务(如插孔和球平衡),并优于传统二值触觉或原始触觉信号方法。
DexSim2Real:基于基础模型的灵巧操作仿真到现实迁移框架 / DexSim2Real: Foundation Model-Guided Sim-to-Real Transfer for Generalizable Dexterous Manipulation
本文提出一个名为DexSim2Real的集成框架,通过结合视觉-语言基础模型自动优化仿真参数、设计触觉-视觉交叉注意力策略以及构建渐进式技能课程,显著提升了灵巧操作任务从仿真到现实迁移的泛化能力,在六个复杂任务中实现了78.2%的平均真实世界成功率。
用于机器人模仿动作生成的主-细解耦方法 / Primary-Fine Decoupling for Action Generation in Robotic Imitation
这篇论文提出了一种名为PF-DAG的两阶段新方法,它通过先将机器人动作分解为粗略模式和精细变化来生成动作,从而在模仿学习中更稳定、更准确地复现复杂的多模态操作任务,并在多个基准测试和真实任务中表现出色。
通过动作分块评估器与标准化流实现样本高效的真实世界灵巧策略微调 / Sample-Efficient Real-World Dexterous Policy Fine-Tuning via Action-Chunked Critics and Normalizing Flows
这篇论文提出了一个名为SOFT-FLOW的样本高效微调框架,它结合了能处理多模态动作的标准化流策略和评估整个动作序列的评估器,成功在真实机器人上实现了对灵巧、长时程操作任务(如用剪刀剪胶带、转动手中方块)的稳定且高效的策略调整。
基于RGB人体视频与4D手-物体轨迹重建的灵巧操作策略 / Dexterous Manipulation Policies from RGB Human Videos via 4D Hand-Object Trajectory Reconstruction
这篇论文提出了一种名为VIDEOMANIP的新方法,它能够直接从普通的RGB人体视频中学习并生成机器人灵巧操作策略,无需依赖复杂的穿戴设备或专门的传感器,从而降低了数据获取难度并提升了策略的泛化能力。
ShowUI-π:基于流的生成模型作为图形用户界面的灵巧之手 / ShowUI-$π$: Flow-based Generative Models as GUI Dexterous Hands
这篇论文提出了一个名为ShowUI-π的新模型,它首次将基于流的生成模型用作图形界面的‘灵巧之手’,能够统一处理点击和拖拽等操作,在专门的拖拽任务基准测试中表现出色,显著提升了AI在数字环境中执行复杂、连续操作的能力。
GR-Dexter技术报告 / GR-Dexter Technical Report
这篇论文提出了一个名为GR-Dexter的软硬件一体化框架,它通过设计灵巧的双手机器人、便捷的遥操作系统以及创新的数据训练方法,成功实现了让机器人能像人一样根据语言指令完成各种复杂的双手操作任务。
GR-RL:面向长周期灵巧与精确机器人操作 / GR-RL: Going Dexterous and Precise for Long-Horizon Robotic Manipulation
这篇论文提出了一个名为GR-RL的机器人学习框架,它通过多阶段训练流程,将通用的视觉-语言-动作策略升级为能完成复杂长周期灵巧操作(如自主系鞋带)的专家系统,其核心是利用强化学习来筛选、增强并优化原本不完美的人类演示数据。
DexNDM:通过关节级神经动力学模型弥合灵巧手内旋转的现实差距 / DexNDM: Closing the Reality Gap for Dexterous In-Hand Rotation via Joint-Wise Neural Dynamics Model
这项研究提出了一种新方法,通过一个高效的关节级动力学模型和自主数据收集策略,成功解决了机器人灵巧手在真实世界中旋转各种复杂物体时,从模拟训练到实际应用的转换难题。
请先 登录 后再提交论文